基于多输出高斯过程的多元建筑多层室内定位数据增强
网络与互联网体系结构
2023-08-02 v2 机器学习
信号处理
摘要
基于RSSI的位置指纹技术因其无需安装新基础设施和修改现有设备的优势，成为主流的室内定位技术，尤其在Wi-Fi设备普及和现代建筑中Wi-Fi接入无处不在的背景下。DNN等AI/ML技术的使用使位置指纹更精确可靠，特别是对于大规模多元建筑多层室内定位。然而，DNN在室内定位中的应用依赖于大量预处理且精心标注的数据进行训练。考虑到室内环境数据收集的困难，尤其在当前COVID-19疫情形势下，我们研究了三种基于多输出高斯过程(MOGP)的RSSI数据增强方法，即按单层楼、按相邻楼层和按整栋建筑；与单输出高斯过程(SOGP)不同，MOGP能通过集体处理，考虑部署在彼此邻近的多个接入点(AP)(如建筑同一层楼上的AP)的RSSI观测间的相关性。基于最先进的RNN室内定位模型和UJIIndoorLoc(即最流行的公开多元建筑多层室内定位数据库)，通过实验证明了基于MOGP的RSSI数据增强的可行性：其中使用整栋建筑RSSI数据拟合MOGP模型(即按整栋建筑)增强的UJIIndoorLoc数据库训练的RNN模型，优于其他两种增强方法以及用原始UJIIndoorLoc数据库训练的RNN模型，三维平均定位误差为8.42 m。
引用
@article{arxiv.2202.01980,
title = {Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building and Multi-Floor Indoor Localization},
author = {Zhe Tang and Sihao Li and Kyeong Soo Kim and Jeremy Smith},
journal= {arXiv preprint arXiv:2202.01980},
year = {2023}
}
备注
6 pages, 5 figures